作為cnn中最重要的卷積榜揖，最簡單的理解就為：
其中迅矛，卷積主要的參數(shù)有：
stride 步長 ? ? ? ? ? ? ?stride_w,stride_h
kernel_size ? ? ? ? ? ? kernel_w,kernel_w
dilation ? ? ? ? ? ? ? ? ? ?膨脹系數(shù)
padding? ? ? ? ? ? ? ? ? pad_w,pad_h
卷積層：conv_layer.cpp
里面主要有
compute_output_shape() ? ?計算輸出blob的大小
Forward_cpu
Backward_cpu
其中Forword_cpu主要用到了forward_cpu_gemm，這個位于base_conv_layer,
forward_cpu_gemm里面使用到了conv_im2col_cpu壶硅，caffe_cpu_gemm销斟。
conv_im2col_cpu ? 是把輸入圖像變?yōu)橐粋€矩陣，這樣子做能直接和卷積核組成的矩陣做點乘约谈，得到的矩陣就為 卷積后每一個特征圖就為為這矩陣中一個行向量犁钟。
查看cov_im2col_cpu；
我們先以im2col_cpu為入手：
主要參數(shù)為：
1.data ?
?2.conv_channels 卷積的通道數(shù)
3.conv_input_shape.cpu_data()[1] ? ? ? ? 即image_h 輸入圖像的height醋粟，主要下標
4conv_input_shape.cpu_data()[1] ? ? ? ? ?image_w
5.padding_h,padding_w
6.stride_h,stride_w
7.dilation ? ?膨脹系數(shù)
推導過程太復雜了米愿，這里有一個單通道的完整的推導過程：lib.csdn.net/article/aiframework/62849
總之，im2col泳唠，就是把一個圖片上的對應每一個卷積核大小的窗函數(shù)里面的元素宙搬，變?yōu)榱邢蛄浚S著步長的移動脖母，得到不同的列向量闲孤，合并起來得到一個矩陣，也就是col_buff
那caffe中是怎么樣計算卷積的：
我們先從單通道入手肥照，用一個單通道卷積核去卷積一個單通道圖像：
在不考慮膨脹系數(shù)的情況下勤众，N＝（（image_h+2*pad_h-kenrel_h）/stride_h+1）*(（image_w+2*pad_w-kenrel_w）/stride_w+1),其實就是計算經(jīng)卷積后輸出的圖像的長與寬们颜，再相乘吕朵，得到feature map的大小努溃。
那當是多通道圖片（比如說最開始的三通道阻问，以及經(jīng)過一層卷積后的擁有很多通道的特征圖）的情況是什么樣的？
下面以一個實際的例子:
這就是caffe卷積的原理贡蓖。
caffe_gpu_gemm(CblasNoTrans,CblasTrans,M,N,K(Dtype)1,top_diff,bottom_data,(Dtype)1,weights_diff)
voidcaffe_gpu_gemm(constCBLAS_TRANSPOSETransA,constCBLAS_TRANSPOSETransB,const intM,const intN,const intK,constDtypealpha,constDtype* A,constDtype*B,constDtypebeta,
Dtype* C);
caffe_gpu_gemm(CblasTrans,CblasNoTrans,kernel_dim_,
conv_out_spatial_dim_,conv_out_channels_/group_,
(Dtype)1.,weights +weight_offset_* g,output +output_offset_* g,
(Dtype)0.,col_buff +col_offset_* g);
